論文の概要: Kronos: A Foundation Model for the Language of Financial Markets
- arxiv url: http://arxiv.org/abs/2508.02739v1
- Date: Sat, 02 Aug 2025 13:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.597194
- Title: Kronos: A Foundation Model for the Language of Financial Markets
- Title（参考訳）: Kronos: 金融市場言語の基礎モデル
- Authors: Yu Shi, Zongliang Fu, Shuo Chen, Bohan Zhao, Wei Xu, Changshui Zhang, Jian Li,
- Abstract要約: 金融Kラインモデリングに適した,統一的でスケーラブルな事前学習フレームワークであるKronosを提案する。
Kronosは、継続的な市場情報をトークンシーケンスに識別し、価格ダイナミクスと取引活動パターンの両方を保存する。
我々はKronosを、45のグローバル取引所から120億以上のKラインレコードの巨大なマルチマーケットコーパスで自己回帰目標を用いて事前訓練する。
- 参考スコア（独自算出の注目度）: 42.048823655500115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of large-scale pre-training paradigm, exemplified by Large Language Models (LLMs), has inspired the development of Time Series Foundation Models (TSFMs). However, their application to financial candlestick (K-line) data remains limited, often underperforming non-pre-trained architectures. Moreover, existing TSFMs often overlook crucial downstream tasks such as volatility prediction and synthetic data generation. To address these limitations, we propose Kronos, a unified, scalable pre-training framework tailored to financial K-line modeling. Kronos introduces a specialized tokenizer that discretizes continuous market information into token sequences, preserving both price dynamics and trade activity patterns. We pre-train Kronos using an autoregressive objective on a massive, multi-market corpus of over 12 billion K-line records from 45 global exchanges, enabling it to learn nuanced temporal and cross-asset representations. Kronos excels in a zero-shot setting across a diverse set of financial tasks. On benchmark datasets, Kronos boosts price series forecasting RankIC by 93% over the leading TSFM and 87% over the best non-pre-trained baseline. It also achieves a 9% lower MAE in volatility forecasting and a 22% improvement in generative fidelity for synthetic K-line sequences. These results establish Kronos as a robust, versatile foundation model for end-to-end financial time series analysis. Our pre-trained model is publicly available at https://github.com/shiyu-coder/Kronos.
- Abstract（参考訳）: 大規模言語モデル(LLM)によって実証された大規模事前学習パラダイムの成功は、時系列基礎モデル(TSFM)の発展にインスピレーションを与えている。
しかしながら、金融ロウソクスティック(Kライン)データへの適用は限定的であり、多くの場合、事前訓練されていないアーキテクチャよりも性能が低い。
さらに、既存のTSFMは、ボラティリティ予測や合成データ生成といった重要な下流タスクを見落としていることが多い。
これらの制約に対処するため、金融Kラインモデリングに適した、統一的でスケーラブルな事前学習フレームワークであるKronosを提案する。
Kronos氏は、継続的な市場情報をトークンシーケンスに離散化し、価格ダイナミクスと貿易活動パターンの両方を保存する、特別なトークンライザを紹介している。
我々はKronosを、45のグローバル取引所から120億以上のKラインレコードの大規模なマルチマーケットコーパスで自己回帰目標を用いて事前訓練し、時間的および横断的な表現を学習することを可能にする。
Kronosは、さまざまな財務タスクのゼロショット設定に優れています。
ベンチマークデータセットでは、KronosはTSFMを93%上回り、非トレーニングベースラインを87%上回る価格予測を93%引き上げている。
また、ボラティリティ予測では9%低いMAE、合成Kライン配列では22%の生産性向上を実現している。
これらの結果は、Kronosをエンドツーエンドの金融時系列分析のための堅牢で汎用的な基礎モデルとして確立する。
私たちの事前トレーニングモデルはhttps://github.com/shiyu-coder/Kronos.comで公開されています。
関連論文リスト
- ByteGen: A Tokenizer-Free Generative Model for Orderbook Events in Byte Space [11.523583937607622]
LOBイベントの生のバイトストリームを直接操作する新しい生成モデルByteGenを紹介する。
私たちの仕事は、機能エンジニアリングとトークン化の完全な排除であり、モデルが最も基本的な表現から市場のダイナミクスを学べるようにします。
ByteGenは、金融市場の重要な事実を再現し、現実的な価格分布、大口リターン、バーストイベントのタイミングを生成する。
論文 参考訳（メタデータ） (2025-08-04T09:48:42Z) - CTBench: Cryptocurrency Time Series Generation Benchmark [11.576635693346486]
textsfCTBenchは、暗号ドメイン用に調整された、最初の総合的なTSGベンチマークである。
textsfCTBenchは、452トークンからオープンソースのデータセットをキュレートし、5つの主要な次元にまたがる13のメトリクスにわたるTSGモデルを評価する。
4つの異なる市場体制にまたがる5つの方法論家を代表する8つのモデルをベンチマークし、統計的忠実性と現実世界の収益性の間のトレードオフを明らかにする。
論文 参考訳（メタデータ） (2025-08-03T17:07:08Z) - Time Series Foundation Models for Multivariate Financial Time Series Forecasting [0.0]
Time Series Foundation Models (TSFMs) は、様々な時系列コーパスの事前トレーニングを通じて、有望なソリューションを提供する。
本研究は、米国10年債利回りの変化、EUR/USDのボラティリティ、株式拡散予測の3つの財務予測タスクにまたがる2つのTSFMを評価する。
論文 参考訳（メタデータ） (2025-07-09T21:43:06Z) - DELPHYNE: A Pre-Trained Model for General and Financial Time Series [2.601248228220401]
時系列データは、パターンの検出、市場の振る舞いの理解、過去のデータに基づく情報的意思決定を支援する金融アプリケーションにおいて有用である。
言語モデリングの最近の進歩は、膨大なデータセットのコレクションに基づいてトレーニングされ、金融分野にまたがる多様なタスクに適用される、時系列事前訓練モデルの台頭につながっている。
しかし、既存の時系列事前訓練モデルでは、ゼロショットと微調整の両方で単純な財務ベンチマークよりもパフォーマンスが向上していない。
論文 参考訳（メタデータ） (2025-05-12T16:53:29Z) - FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。
FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
論文 参考訳（メタデータ） (2025-02-26T05:19:16Z) - Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。
我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。
Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-02-02T14:52:50Z) - GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。
GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文 参考訳（メタデータ） (2024-10-14T11:29:38Z) - PLUTUS: A Well Pre-trained Large Unified Transformer can Unveil Financial Time Series Regularities [0.848210898747543]
金融時系列モデリングは市場行動の理解と予測に不可欠である。
従来のモデルは、非線形性、非定常性、高ノイズレベルのために複雑なパターンを捉えるのに苦労している。
NLPにおける大きな言語モデルの成功に触発されて、$textbfPLUTUS$, a $textbfP$re-trained $textbfL$argeを紹介します。
PLUTUSは10億以上のパラメータを持つ最初のオープンソース、大規模、事前訓練された金融時系列モデルである。
論文 参考訳（メタデータ） (2024-08-19T15:59:46Z) - Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-03-12T16:53:54Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。